[发明专利]一种基于弦振动理论的目标轮廓提取方法

说明书

本发明公开了一种基于弦振动理论的目标轮廓提取方法，通过卷积神经网络提取得到图像的特征轮廓，并通过编码‑解码的结构输出对系数预测的系数预测图，；对特征轮廓的初始化位置进行设置；根据当前时刻的轮廓位置从系数预测图，上索引对应的系数，构建用于演化的系数矩阵、系数向量；依据弦振动理论建立的轮廓振动模型，代入已有时刻的轮廓位置和系数矩阵、系数向量，得到更新后的目标轮廓。本发明能够有效地检测出目标轮廓，相比于经典的动态轮廓方法避开了能量项的设计，建立关于轮廓运动的模型，提高了目标形状提取的精确度。

技术领域

本发明涉及图像处理与深度学习技术领域，具体为一种基于弦振动理论的目标轮廓提取方法。

背景技术

相比于目标区域提取的分割方法，轮廓提取技术具有直接的几何形状表达，可用于遥感地图绘制、医学病灶检测等多种任务。现有的轮廓提取方法主要是动态轮廓模型，可分为Snake和Level Set两大类，皆通过能量泛函的建立以实现边缘捕捉，但是性能很大程度上受限于能量项的设计，因而目前的轮廓模型对于目标边界的提取能力仍然是有限的。因此我们对此做出改进，提出一种基于弦振动理论的目标轮廓提取方法。

发明内容

为了解决上述技术问题，本发明提供了如下的技术方案：

本发明一种基于弦振动理论的目标轮廓提取方法，包括以下步骤，

步骤1、通过卷积神经网络提取得到图像的特征轮廓，并通过编码-解码的结构输出对系数预测的系数预测图α，β；

步骤2、对特征轮廓的初始化位置进行设置；

步骤3、根据当前时刻的轮廓位置从系数预测图α，β上索引对应的系数，构建用于演化的系数矩阵A1、系数向量b1；

步骤4、依据弦振动理论建立的轮廓振动模型，代入已有时刻的轮廓位置和系数矩阵A1、系数向量b1，得到更新后的目标轮廓。

作为本发明的一种优选技术方案，所述的步骤3具体为，输入图像由具有编码-解码结构的卷积神经网络进行下采样和上采样，得到与输入图像同样尺寸大小的系数预测图α，β；并根据当前轮廓位置从系数预测图α，β上索引出对应的系数，得到系数矩阵A1、系数向量b1。

作为本发明的一种优选技术方案，述的步骤四中依据弦振动理论建立的轮廓振动模型的方法是，通过挖掘轮廓演化本身的运动属性，依据弦振动理论建立了轮廓的运动表达式，并将轮廓用多个顶点离散化表示，推导得到关于轮廓演化的迭代推理模型，经过端到端的网络框架，输出目标边界的预测结果，得到目标轮廓。

作为本发明的一种优选技术方案，所述的轮廓的运动表达式为，

其中u为弦，t为时间参数，x为空间参数，α(x)，β(x)为系数，当x取不同的数值，代表轮廓上不同的位置。

作为本发明的一种优选技术方案，所述的步骤四中通过多个离散顶点的多边形近似地表达为连续的轮廓的算法是，取t时刻轮廓由N个顶点采样表达为，

u_t＝[u_t，1，u_t，2，...，u_t,p，...u_t,N]^T，则在顶点p有，

对于该表达式中的p从1到N取值，则有，

u_t+1＝2u_t-u_t-1+Au_t(Δt)²-b⊙(u_t-u_t-1)Δt

其中，⊙为按位相乘符号，系数向量b可表达如下，